天文学的进步使得人类对宇宙的探索日益深入，需要借助大型望远镜来捕捉更遥远、更微弱、更精细的天体现象。大型望远镜的驱动系统是保证其精确跟踪和定位的关键部件，其可靠性和稳定性直接影响望远镜的观测效果和科学价值。然而，由于大型望远镜的复杂结构、极端环境、多样故障等因素，驱动系统可能出现非预期故障，即无法通过预先建立的故障模型或知识库进行识别和处理的故障。非预期故障会导致驱动系统的性能下降甚至失效，给望远镜的运行造成严重影响。

因此，研究大型望远镜驱动系统的非预期故障诊断具有重要意义。本文针对极端环境下大型望远镜的非预期故障诊断问题开展研究，主要研究内容包括：
（1）本文深入探讨了非预期故障诊断的技术、应用领域以及国内外研究现状。
（2）本文针对极端环境下大型望远镜的非预期故障诊断问题，提出了一种基于IDBO-EIF结合ReliefF-mRMR联合特征选择算法的非预期故障诊断方法。该方法通过特征选择筛选出分类精度较高、类别相关性最大、特征间最小冗余的特征子集，并利用IDBO算法对iForest进行参数优化，建立适用于当前工程问题的非预期故障诊断模型。
（3）本文提出了一种融合Tent混沌映射、差分进化和莱维飞行策略的改进蜣螂优化算法，提升算法收敛以及全局搜索能力，并基于8个标准测试函数的实验验证了所提出的改进蜣螂优化算法的性能和有效性。
（4）本文探讨了在模拟望远镜驱动系统运行时遭遇的各类负载异常，改进并利用现有的极端环境大型望远镜驱动系统非预期状态半实物仿真平台，设计开展驱动系统负载异常非预期故障诊断实验并采集实验数据。该半实物仿真平台将不可预见的非预期故障转换为预期故障，同时也为驱动系统的设计和故障诊断提供了可靠的技术基础。
（5）利用半实物仿真平台收集的数据，验证所建立的非预期故障诊断模型的性能，并与其他模型进行对比分析。实验结果表明，IDBO-EIF算法的故障诊断准确率达到了99.2%，明显优于传统异常检测算法。